【技术实现步骤摘要】
本专利技术涉及生物降解，特别是一种基于机器学习的生物降解的地膜降解周期预测系统及方法。
技术介绍
1、随着不可再生能源的不断减少和环境污染加重，生物可降解聚酯材料受到广泛关注，其是由多元醇和多元酸缩聚而得的聚合物总称，是一类性能优异、用途广泛的工程塑料，也可制成聚酯纤维和聚酯薄膜。而作为全球主要的塑料消费品，塑料薄膜产品大都是一次性消费品，其中，直接与土壤地面接触最多的便是地膜，因此，在中国的种植田地中，有大量废弃地膜材料存在，废弃地膜材料短时间内不易被空气或微生物降解，占据大量空间，造成环境污染和视觉污染，同时由于紫外线照射和外力的作用，地膜易发生碎裂，形成膜料碎片，不仅对农田造成严重的污染，对生态系统和人类健康亦会造成潜在威胁，而生物降解是一种可以被微生物降解和利用，并最终转化为微生物物质、二氧化碳和水的材料，因此，可生物降解地膜替代pe地膜是农业中预防塑料污染的主要策略之一，然而，在种植田地中对可生物降解的地膜的降解周期尚不明确，这主要是因为其降解是个复杂的过程，并且与材料组份和自然条件关联性大，目前，对于可生物降解地膜的降解周期的研究主要是基于农田种植者的经验和/或实验数据，而由于地膜材料组成不同，以及土壤湿度、碱度等变化或其它人为因素干扰，致使过往依据经验和/或实验数据的分析结果存在偶然性和不确定性，导致对生物降解周期的预测分析存在影响变量，降低了最终对生物降解周期分析预测的准确性。
技术实现思路
1、鉴于上述现有的生物降解计算预测
中存在的问题，提出了本专利技术。
2、因此，本专利技术其中的一个目的是提供一种基于机器学习的生物降解的地膜降解周期预测系统及方法，其利用深度学习分析技术，对采集地预设土壤数据划分为土壤生态系统的季节性变化数据和土壤理化性质变化数据，且基于土壤本身，进一步地对采集的数据按照物理性质数据、化学性质数据和生物学性质数据进行区分，以获取地膜在各种性质数据情况下的降解变化，进而在未来时段更能精确的预测相关数据的变化，以对地膜的降解走势进行预测。
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、一方面，本专利技术提供一种基于机器学习的生物降解的地膜降解周期预测系统，包括：
5、信息获取模块，用于获取预设土壤的土壤性质数据和地膜数据，并基于土壤性质构建数据库，同时对所述土壤性质进行区分，还包括获取预设土壤所处地区位置；
6、数据采集模块；所述数据采集模块响应所述信息获取模块所获取的土壤性质数据，用于采集预设土壤所处地区土壤性质的特征数据，并对采集的所述土壤性质特征数据进行区分；
7、融合分析单元，用于分析所述土壤性质中各特征数据间的关联特征，所述关联特征还包括各特征数据与所处地区位置的关联特征，所述融合分析单元包括分析模块、计算模块和测量模块；
8、所述分析模块用于分析所述土壤性质于不同月份的变化规律，并将所述变化规律进行区分，其区分包括按照土壤生态系统的季节性变化和土壤理化性质变化进行区分，并生成预测模型；
9、所述计算模块响应所述分析模块的土壤性质于不同月份的变化规律，用于计算所述土壤生态系统的季节性变化数据和土壤理化性质变化数据，并获取其中的特征数据；
10、所述测量模块基于所述计算模块的计算数据，用于将所述预设土壤进行区域划分，并获取不同区域土壤数据的变化特征，将所述变化特征上传至所述预测模型，并对所述预测模型进行更新；
11、降解数据获取模块，所述降解数据获取模块基于区域土壤数据的变化特征，用于获取地膜于对应变化特征情况下的降解变化，并基于所述降解变化生成数据集，同时于所述数据集中划分所述降解变化的测试集、验证集和训练集；
12、划分模块，所述划分模块基于所述分析模块中的土壤理化性质变化，于所述土壤理化性质变化中预设至少两个临界值，所述临界值以首次采集的至少十个土壤理化性质变化数据为基础，其中，于十个所述土壤理化性质变化数据中，以中位数数据为基础预设第一临界值，并以最大的数据为基础预设第二临界值，当所述预设土壤的土壤理化性质变化超出所述第一临界值时，则系统对所述预设土壤进行一种类型的土壤区域划分，当所述预设土壤的土壤理化性质变化超出所述第二临界值时，则系统对所述预设土壤进行另一种类型的土壤区域划分。
13、作为本专利技术的一种优选方案，其中：于所述信息获取模块中，所述土壤性质包括物理性质、化学性质和生物学性质，其中：
14、所述物理性质包括预设土壤质地、土壤结构、土壤容重和比重、土壤水分及土壤空气；
15、所述化学性质包括酸碱度以及氧化还原性；
16、所述地膜数据包括地膜材料、厚度以及地膜平整度；
17、并以采集的土壤酸碱度为基础进行强度划分，所述划分方式包括按照ph值进行划分，如下表所示：
18、 ph值 土壤酸碱度 ＜4.5 极强酸性 4.5～5.5 强酸性 5.5～6.5 酸性 6.5～7.5 中性 7.5～8.5 碱性 8.5～9.5 强碱性 ＞9.5 极强碱性
19、并于所述预设土壤中，以表中中性数据为基础分析土壤酸性变化与地膜降解的关联规律，计算所述土壤酸性变化对地膜的降解特征，根据如下公式计算得出：
20、f＝σ(w[wt+xi]+b)；其中，f表示预设的地膜厚度值；
21、式中，σ表示给定的中性土壤酸度，w表示以所述中性土壤酸度为基础的土壤酸度增加值，wt表示第t个时段采集的土壤酸度增加值，xi表示于指定的所述土壤酸度增加值中第i次采集的地膜降解厚度，b表示所述土壤酸度每提升一个等级所需的时间。
22、作为本专利技术的一种优选方案，其中：于所述计算模块中，所述土壤生态系统的季节性变化包括土壤中的微生物群落变化，所述土壤理化性质变化包括ph值、有机质含量、土壤容重和孔隙度，并于所述预设土壤中给定相同ph值，分析不同物理性质数据对地膜降解的变化规律。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，包括：
2.如权利要求1所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，于所述信息获取模块中，所述土壤性质包括物理性质、化学性质和生物学性质，其中：
3.如权利要求1所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，于所述计算模块中，所述土壤生态系统的季节性变化包括土壤中的微生物群落变化，所述土壤理化性质变化包括pH值、有机质含量、土壤容重和孔隙度，并于所述预设土壤中给定相同pH值，分析不同物理性质数据对地膜降解的变化规律。
4.如权利要求1所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，于所述预设土壤中划分至少3～5个等面积的土壤区域，并于所划分的土壤区域中按照数据递增的方式给定各土壤区域的酸度值，分析相同时间、不同酸度值情况下地膜的降解厚度，以及所述降解厚度与所述酸度值差的关联特征，并将所述关联特征上传至所述预测模型，同时使用Q-learning算法进行增强学习，以优化所述预测模型。
5.如权利要求1所述的
6.如权利要求5所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，基于采集的地膜降解的最大厚度数据给定对应的土壤厚度，并预设土壤水分和土壤空气的数据集合和其中，a表示第a个土壤水分数据，其中，土壤水分数据集合和土壤空气数据集合均为递增和/或递减的数据集合，分析给定的土壤厚度下不同土壤水分和土壤空气变化对地膜降解厚度的关联影响。
7.如权利要求6所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，于给定的土壤厚度下将土壤水分数据集合和土壤空气数据集合分为若干个评估指标，统计出与地膜最大降解厚度和或面积对应的土壤水分数据和土壤空气数据，并将数据归一化处理，计算出除与地膜最大降解厚度和或面积对应的土壤水分数据和土壤空气数据之外的其它数据占地膜降解厚度和或面积的权重。
8.如权利要求2所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，还包括数据监测模块，用于包括在不同季度以首次采集的预设土壤的化学性质和生物学性质为基础监测预设土壤物理性质的变化，分析所述预设土壤物理性质的变化与所述化学性质和生物学性质的关联规律，并将所述关联规律上传至所述预测模型。
9.如权利要求8所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，采集所述预设土壤物理性质变化与所述化学性质和生物学性质的关联规律所对应的日照、环境温度以及海波高度，并使用随机梯度下降法训练，生成未来时段所述预设土壤于相同日照、环境温度以及海波高度时的土壤物理性质、化学性质和生物学性质数据，于生成的各数据情况下对地膜降解进行预测。
10.一种基于机器学习的生物降解的地膜降解周期预测方法，应用于如权利要求1所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，包括以下步骤：
...【技术特征摘要】
1.一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，包括：
2.如权利要求1所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，于所述信息获取模块中，所述土壤性质包括物理性质、化学性质和生物学性质，其中：
3.如权利要求1所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，于所述计算模块中，所述土壤生态系统的季节性变化包括土壤中的微生物群落变化，所述土壤理化性质变化包括ph值、有机质含量、土壤容重和孔隙度，并于所述预设土壤中给定相同ph值，分析不同物理性质数据对地膜降解的变化规律。
4.如权利要求1所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，于所述预设土壤中划分至少3～5个等面积的土壤区域，并于所划分的土壤区域中按照数据递增的方式给定各土壤区域的酸度值，分析相同时间、不同酸度值情况下地膜的降解厚度，以及所述降解厚度与所述酸度值差的关联特征，并将所述关联特征上传至所述预测模型，同时使用q-learning算法进行增强学习，以优化所述预测模型。
5.如权利要求1所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，将所述预设土壤的厚度划分为θ1，θ2，...，θn，其中，n表示第n种土壤厚度，采集不同土壤厚度情况下土壤水分和土壤空气的数据特征，分析不同数据特征对地膜降解厚度的关联影响。
6.如权利要求5所述的一种基于机器学习的生物降解的地膜降解周期预测系统，其特征在于，基于采集的地膜降解的最大厚度数据给定对应的土壤厚度，并预设土壤水分和土壤空气...
【专利技术属性】
技术研发人员：徐磊，严旎娜，郑志雨，蔡泽宇，
申请(专利权)人：江苏省农业科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。